基于稀疏表示和混合樣本的圖像超分辨率重建算法研究.pdf

1、圖像超分辨率就是使用信號處理技術(shù)從一幀或者多幀低分辨率觀測圖像中重建一幅視覺效果良好的高分辨率圖像。圖像超分辨率不僅在醫(yī)學成像、衛(wèi)星成像等特殊領域有著巨大的應用價值，而且能夠滿足日常生活中人們?nèi)找嬖鲩L的高清晰圖像的需求。正是由于對圖像超分辨率重建問題研究有著重大的現(xiàn)實意義，本文以稀疏表示為理論依據(jù)，深入研究單幀圖像超分辨率重建問題。單幀圖像超分辨率是指只使用一幅低分辨率觀測圖像完成圖像超分辨率重建任務，這是一個更一般更具挑戰(zhàn)性的問題。本

2、文的研究工作主要圍繞以下三點展開：首先，本文針對重建過程中的局部圖像塊的約束問題，提出基于自回歸滑動平均(ARMA)模型的圖像塊局部結(jié)構(gòu)正則項；其次，本文針對外部樣本和自樣本學習各自的缺點，提出自適應樣本選擇方案(ASSS)和自適應混合樣本脊回歸模型(AMSRR)，利用自樣本和外部樣本的互補信息提升超分辨率重建效果；最后，本文針對局部圖像特征難以在空域表示的問題，利用小波在局部特征表示的優(yōu)勢，直接把小波系數(shù)作為特征，省去了特征提取操作，

3、提高了效率。
　　圖像超分辨率重建是一個極其不適定的問題，針對這一難題本文提出基于ARMA模型的局部結(jié)構(gòu)正則項。具體做法是：在訓練階段從外部樣本集中訓練ARMA模型，在重建階段自適應地選擇最合適的ARMA模型預測圖像的局部結(jié)構(gòu)并建立自適應正則項。此外，本文把基于ARMA模型的局部正則項和基于非局部自相似的正則項統(tǒng)一到基于稀疏表示的框架下，建立空間關系上遠近配合，相輔相成的雙重正則項。與經(jīng)典的基于稀疏表示的方法對比，本文基于局部和非

4、局部雙重正則項的方法大幅度地提升了客觀評價指標(PSNR，SSIM)，并且重建后高分辨率圖像的視覺效果也明顯得到了改善。
　　在基于樣本學習的圖像超分辨率重建算法中存在兩大主流方法：一種是基于外部樣本學習的重建方法，另一種是基于自學習的重建方法?；谕獠繕颖緦W習的方法容易受到輸入低分辨率圖像與訓練集圖像相似度的影響，而基于自學習的方法受限于樣本的單一性以及學得的映射關系不能表示各種各樣的圖像結(jié)構(gòu)。本文針對基于外部樣本學習和基于自學

5、習方法各自的不足，提出ASSS方案，建立AMSRR模型利用自樣本和外部樣本的互補信息彌補各自的不足，并提出了相應的優(yōu)化求解算法。通過大量的實驗，驗證了本文提出方法的有效性，其中包括與當前一些先進超分辨率重建方法的對比實驗。尤其是本文提出的方法對某些圖像的重建效果較大幅度地領先對比的其他先進超分辨率重建方法。
　　此外，針對圖像的局部特征難以在空域表示的問題，本文把小波系數(shù)作為特征提出小波域稀疏表示方法。首先，對訓練集直接進行小波變